Professional Documents
Culture Documents
ELEKTRONSKI FAKULTET NI
Seminarski rad
Mentor Student
Prof. Zoran Peri Stefan Simonovi
Jelena Nikoli broj indeksa 13071
Ni, 2017.
SADRAJ
UVOD.........................................................................................................................................3
1. UNIFORMNI KVANTIZER..................................................................................................4
1.1. Srednja snaga uma pri neuniformnom kvantovanju.......................................................6
1.2. Segmentna karakteristika kompresije..............................................................................7
ZAKLJUAK...........................................................................................................................19
LITERATURA..........................................................................................................................21
2
UVOD
Kompresija signala omoguava znaajno smanjenje propusnog opsega potrebnog za
prenos digitalnog signala, zadravajui pri tome njegov percipirani kvalitet. Tehnike
kompresije signala generalno mogu da se podele u 2 velike kategorije:
- tehnike kompresije bez gubitaka (lossless compression) i
- tehnike kompresije sa gubicima (lossy compression).
Kod kompresije bez gubitaka posle procesa kodovanja i dekodovanja dobija se signal
koji je identian originalnom ulaznom signalu. Ove tehnike uglavnom se zasnivaju na nekoj
vrsti entropijskog kodovanja kod kog se umesto kodova fiksne duine koriste kodovi kod
kojih duina svakog koda odgovara koliini informacije koju odgovarajui element signala
nosi, ime se iz signala eliminie redundansa, odnosno elementi signala koji ne nose nikakvu
korisnu informaciju.
3
1. UNIFORMNI KVANTIZER
Uniformni kvantizer, kao to i samo ime kae, ima uniformno podeljen opseg tj. na
segmente iste irine, dok sa neuniformnim kvantizerom to nije sluaj. Ovo je i osnovni razlog
zbog koga se moe rei da je projektovanje uniformnih kvantizera jednostavnije od
projektovanja neuniformnih.
Opti model bilo kog neuniformnog kvantizera je dat na slici 1. Ulazni signal x se
dovodi na kompresor opisan monotonom nelinearnom funkcijom G i dobija se izlazni signal
y=G(x), koji se onda dovodi na uniformni kvantizer, ime se dobija izlaz a na kraju se on
konano transformie nelinearnom funkcijom G-1.
5
1.1. Srednja snaga uma pri neuniformnom kvantovanju
Na osnovu analize koja je izvrena u [2], poi emo od sledeeg izraza za distorziju:
Tako smo nali da je veliina i-tog amplitudskog kvanta ulaznog signala obrnuto
proporcijalna strmini karakteristike kompresije u sredini tog kvanta [1]. Zamenom etvrtog
izraza u prvi dobijamo:
6
Ova jednaina nam pokazuje kako srednja snaga uma kvantovanja zavisi od oblika
karakteristike kompresije. Ova jednaina takoe javno prikazuje da u sluaju kada su
parametri kompresora i kvantizera fiksirani, tj. kada je zadato: u=f(s), A Q-srednja snaga uma
kvantovanja zavisi iskljuivo od statistike raspodele trenutnih vrednosti ulaznog signala.
7
dioda kao osnovnih elemenata u kompresoru i ekspandoru stvara nekoliko ozbiljnih
inenjerskih problema:
1. Teko je u praksi pronai dve identine diode sa potpuno istim karakteristikama tako
da se ne mogu dobiti komplementarne karakteristike kompresora i ekspandora.
2. Kompresor i ekspandor moraju se briljvo termostirati da temperaturne promene
ambijenta ne bi dovele do promene temperaturnog potencijala dioda a time i do
neusklaenosti karakteristika. To je dovelo do korienja segmentne karakteristike u
praksi.
8
koncept Jayantovog kvantizera [1] koji adaptaciju maksimalne amplitude optereenja
uniformnog kvantizera izvodi na osnovu memorijom od jedne rei, tj. na osnovu prethodno
kvantovanog odmerka. Obzirom da emo panju fokusirati na unazad adaptivnoj
neuniformnoj kvantizaciji, u cilju kako jednostavnijeg projektovanja tako i implementacije,
predloiemo linearizovani model adaptivnog kvantizera za koji kaemo da je deo po deo
uniforman iz razloga to je amplitudski opseg ovog kvantizera podeljen na nejednake
segmente u okviru kojih se primenjuje princip uniformne kvantizacije. Konano, kako bismo
ukazali na dobitak predloenog modela, u pogledu odnosa signal-um kvantizacije u odnosu
na Jayantov model kvantizera, u radu emo uvesti faktor porasta veliine amplitudskih kvanta
, 12, koji kada uzima jedininu vrednost definie Jayantov model kvantizera.
U ovom poglavlju detaljno emo opisati model unazad adaptivnog deo po deo
uniformnog skalarnog kvantizera koji adaptaciju maksimalne amplitude optereenja ostvaruje
na osnovu memorije od samo jedne rei. Naime, deo po deo uniformni skalarni kvantizer je
definisan deo po deo linearnom kompresorskom funkcijom koja deli amplitudski opseg
kvantizera na po L segmenata u oba kvadranta, pri emu je svaki od segmenata uniformno
podeljen na jednak broj elija nunif, ije se veliine od segmenta do segmenta razlikuju (Sl. 5.).
Novina ovoga rada ogleda se u uvoenju koeficijenta porasta veliine elija unutar susednih
segmenata koji emo nazvati koeficijentom porasta veliine amplitudskih kvanata i oznaiti sa
. Za vrednosti ovog koeficijenta u opsegu 12, u narednom poglavlju prikazaemo analizu
performansi kvantizera projektovanih prema predloenom modelu kako bi utvrdili ne samo
optimalnu vrednost ovog koeficijenta nego i dobitak u odnosu na Jayantov model kvantizera
koji odgovara sluaju kada su veliine elija unutar susednih segmenata jednake, odnosno
kada je faktor porasta veliine amplitudskih kvanta =1. Uvoenjem pomenutog koeficijenta
zapravo definiemo zavisnost veliine amplitudskog kvanata i(n) unutar i-tog segmenta od
veliine bazinog amplitudskog kvanta (n), koji odgovara prvom segmentu:
i ( n )= i1 ( n ) , i=1,2,. .. ,L . (1)
9
x max ( n )
( n )= L
nunif i1
i=1 , (2)
( 1 ) + m1 2
^ 2y ( n )= y ( nm )
( 1+ ) m=1 , (4)
pri emu je 0<<1, a m-1 predstavlja teinu, tj. uticaj prethodno kvantovanih odmeraka y(n-m)
m=1,2,... na estimaciju varijanse signala u posmatranom trenutku. Na osnovu poslednje
jednaine moe se izraziti procenjena varijansa u n-1-vom trenutku i izvesti rekurentna
relacija:
^ 2y ( n )= ( 1
1+ )
2
y ( n1 )+ ^ ( n1 ) 2
y
, (5)
y ij ( n )=x i1 ( n )+ j ( 12 ) ( n) i
, i=1,2,...,L , j=1,2,...,nunif ,(6)
pri emu indeksi i i j ukazuju na odgovarajuu j-tu eliju unutar i-tog segmenta kojoj pripada
pozitivna vrednost odmerka signala koji se kvantuje, a xi-1 predstavlja donju granicu i-tog
segmenta koji je definisan u granicama [xi-1, xi]:
10
2
[ ]
i2
1
2
^ y ( n ) 1
k n unif + j i1
2
2
q
( )
^ 2y ( n1 )
= +
1+ ( ) q=0
2
[ ]
L1
n unif p
p=0 , (8)
Estimator
varijanse
M ( n1 )=
^ 2y ( n )
^ 2y ( n1 )
=
( n)
( n1 ) . (9)
2
SQNR=10 log ( )
D , (10)
koji se izraava u dB, pri emu 2 predstavlja varijansu ulaznog signala x, dok je D distorzija
uneta kvantizacijom. Postoje razliite mere izoblienja (distorzije) ali je najee koriena
mera kvadrat razlike vrednosti ulaznih odmeraka i odgovarajuih vrednosti koje se javljaju na
izlazu iz kvantizera [1-4]. Distorzija je zapravo cena koja se plaa diskretizacijom
kontinualnog amplitudskog opsega na N reprezentacionih nivoa. U optem sluaju distorzija
uneta kvantizacijom D predstavlja zbir granularne distorzije Dg i distorzije prekoraenja Dp
[1-4] koje se za predloeni model kvantizera definiu na sledei nain:
11
i2 L
Dg =2 Pi
i=1 12 , (11)
2
D p =2 ( x y L,n ) p ( x, ) dx
unif
x
max , (12)
pri emu su amplitudski kvanati unutar i-tog segmenta i odreini jednainama (1) i (2), a
yL,nunif predstavlja reprezentacioni nivo u poslednjoj eliji L-tog segmenta:
L
y L , nunif =x max
2 . (13)
Pi= p ( x , ) dx
xi1
. (14)
Kako je cilj ovog rada utvrditi da li predloeno reenje kvantizera predstavlja efikasno reenje
pri kvantovanju govornog signala, u narednom poglavlju ovog rada izveemo analizu
performansi uvedenog modela kvantizera za pretpostavljeni Laplasov izvor :
2|x|
1
p (x )= e
2 . (15)
12
Dmin postie kada su vrednosti faktora relativnog opsega kvantizera i koeficijenta porasta
veliine amplitudskih kvanata (knajopt,najopt)=(7.7,1.38).
3.60
3.58
3.56
3.54
3.52
10 Dmin
3.50
-4
3.48
3.46
3.44
3.42
3.40
7.4 7.5 7.6 7.7 7.8
opt
k
13
do rezultata da se predloenim modelom postie dobitak od 4.43 dB pri bitskoj brzini R1,
odnosno dobitak od 5.06 dB pri bitskoj brzini R2. Kako su teorijski rezultati dobijeni za
predpostavljene varijanse signala na ulazu kvantizera, bolji uvid u stvarne performanse ovog
modela ostvarujemo izvoenjem eksperimenta na realnom govornom signalu. Obradom
raspoloivog realnog govornog signala koji sadri 10200 odmeraka odmerenih frekvencijom
od 8 kHz i predpostavljanjem teinskog faktora =0.5 (Sl. 9.), pri bitskim brzinama R1 i R2
utvrdili smo dobitak u odnosu na Jayantov kvantizer u pogledu usrednjenog SQNR-a od
2.27 dB i 2.65 dB, respektivno.
35.00
34.75
34.50
SQNR [dB]
34.00
33.75
33.50
33.25
33.00
-20 -15 -10 -5 0 5 10 15 20
20log(ref) [dB]
120
SQNRsr=35.41 dB
100
SQNR [dB]
80
60
40
20
0
0 2000 4000 6000 8000 10000
Odmerci
14
3. ANALIZA KVANTIZERA LAPLASOVE RASPODELE
SA PROMENLJIVOM DUINOM KODNIH REI ZA
MALE BRZINE
Prvi korak u procesu digitalizacije kontinualnog analognog signala je odabiranje ili
uzorkovanje kada se u odreenim trenucima vremena uzimaju uzorci amplitude govornog
signala. Kvantizacija je drugi postupak u procesu digitalizacije analognog signala i predstavlja
proces pri kome se veliina uzorka klasifikuje u jedan odintervala kvantizacije, a potom
zaokruuje na vrednost reprezentacionog nivoa koja odgovara tom intervalu.
15
svakom odmerku na izlazu kvantizera dodeli jednak broj bita, odnosno kada se svi odmerci
predstave kodnim reima fiksne duine.
gde su xi nivoi odluivanja (x0-, xN). Pre nego to se ove verovatnoe ubace u
MATLAB programski kod potrebno ih je postaviti u nerastui redosled [5]. Nakon
sprovoenja algoritma dobijene su duine kodnih rei li kojima se koduju pomenuti segmenti,
a koje su neophodne za proraun srednje ili prosene bitske brzinena sledei nain:
Tabela 2.
16
U sluaju upotrebe kodova fiksne duine sve kodne rei su iste duine. Za razliku od
ovih kodova, kodovi promenljive duine koriste kodne rei ija je duina varijabilna. Kodovi
promenljive duine su poeljniji sa stanovita kompresije podataka, s obzirom da se
smanjenje veliine datoteke moe postii dodeljivanjem kraih kodnih rei simbolima koji se
esto pojavljuju, a duih kodnih rei simbolima koji se ree pojavljuju.
Kod je jedinstveno dekodabilan ako postoji samo jedan nain da se dekodira poruka.
Najefikasniji jedinstveno dekodabilni kodovi su prefiks kodovi, odnosno kodovi ija ni jedna
kodna re ne predstavlja prvi deo (prefiks) neke druge kodne rei.
Teorija informacija moe rei koliko je neki prefiks kod uspjean sa stanovita
kompresije podataka. Za mjeru efikasnosti koda se koristi odnos entropije izvora i
prosjene duine kodne rijei:
gdje je entropija:
Kod je optimalan ako efikasnost koda dosegne 100%, odnosno kada je prosjena
duina kodne rijei jednaka entropiji izvora. Meutim, zbog vie razloga ni jedan kod ne
moe dosegnuti ovu vrijednost efikasnosti, ali je postupak kodiranja bolji to je efikasnost
blia teorijski optimalnoj.
17
4.1. Hafmanovo kodiranje
Hafmanovi kodovi koriste se za kompresiju podataka. Kompresijom podataka
prilikom uvanja ili prenosa se tedi na memoriji. Jedan od primera su poruke koje ine
azbuna slova. Prilikom kodovanja poruke mora se voditi rauna da procesi kodovanja i
dekodovanja budu jednostavni, a opet duina poruke treba da bude minimalna. Svaki simbol
se predstavlja nekim binarnim kodom. Sada se za svaki simbol mora odrediti verovatnoa Rh.
U ovom sluaju je najbolje da to bude verovatnoa pojavljivanja datog simbola. Zbir svih
verovatnoa mora naravno da bude 100. Svaki znak moe da ima proizvoljan kod. Zbog lakog
dekodovanja koriste se prefiksni kodovi. To znai da kod ni jednog simbola ne sme da se
koristi kao poetak koda nekog drugog simbola. Proces dekodovanja se sada svodi na to da se
kree od poetka binarne sekvence i uzima onoliko znakova koliko je potrebno da se dobije
validan kod.
Prefiksni kodovi se dobijaju primenom Hafmanovog algoritma pa se takvi kodovi jo
nazivaju i Hafmanovim kodovima. Sada svaki simbol predstavlja eksterni vor koji se stavlja
u red i od kojih se gradi stablo. Teine ovih vorova su, u stvari, njihove verovatnoe
pojavljivanja. U stablu dobijenom primenom Hafmanovog algoritma listovi su zadati simboli.
Binarni kod svakog simbola dobija se kao putanja od korena do tog simbola tako to svaki put
kada se ide u levo podstablo nekog vora u kod se ubacuje 0, a kada se ide u desno podstablo
u bacuje se 1. U binarnom stablu put do svakog eksternog vora je jedinstven pa smo time
obezbedili da dobijeni kodovi budu prefiksni.
Hafmanovo kodiranje pronalazi optimalan sistem kodiranja zasnovan na relativnoj
verovatnoi pojavljivanja svakog elementa. Predstavlja entropijsko kodiranje simbola bez
gubitka informacija. Hafmanovo kodiranje je najefikasniji metod kompresije simbola koji
nisu u tesnom odnosu, u svojoj klasi. On pripada klasi preslikavanja karaktera neke tekstualne
kolekcije u bitove za poznate verovatnoe pojavljivanja svakog karaktera. Najdui Hafmanov
kod se dobija kada se distribucija verovatnoa pojavljivanja odvija po pravilu generisanja
Fibonaijevih brojeva.
ZAKLJUAK
19
U veini realnih signala neki njegovi delovi se mogu predvideti iz onoga to je
prethodilo ili onoga to e uslediti. Recimo, signal koji je ist sinusni talas je veoma
predvidljiv; iz njegovog ponaanja u prolosti lako zakljuujemo kako e izgledati u
budunosti.
Nasuprot njemu je um, koji je potpuno nepredvidljiv signal. Realni signali su negde
izmeu ova dva ekstrema. Ako se dizajniraju spram signala koji treba da rekreiraju (emituju),
dekoderi mogu da predvide budui izgled signala na osnovu dotadanjeg dotoka informacija.
Zbog toga koderi neke delove signala mogu da izostave, znajui da e ih dekoder rekreirati.
Ovakvi kodeci se nazivaju prediktivni kodeci.
Kod prediktivnog kodeka postoje dva identina prediktora: jedan u koderu drugi u
dekoderu. Prediktor u koderu posmatra dotadanji signal i predvia njegovu sledeu vrednost.
Ovo predvianje se unutar kodera oduzima od realne vrednosi signala to daje tzv. Rezidual
koji i biva emitovan. Dekoder sadri identian prediktor, i na sopstvenu predvienu vrednost
dodaje rezidual to daje izlaznu vrednost koja je identina originalu. Treba napomenuti da je
kod kreiranja perceptivnih kodeka faktor kompresije usko povezan sa preciznou modela
ljudskog ula sluha. to je vei faktor kompresije, potreban je i bolji psiho-akustiki model.
20
LITERATURA
[1] G.Lukatela: Statisti~ka teorija telekomunikacija i teorija informacija, (1984), Nau~na
knjiga, Beograd.
[3] D.G.Jeong, D.Gibson: Uniform and piecewse uniform lattice vector quantization for
memoryless Gaussian and Laplacian sources.
[4] N. S. Jayant and P. Noll, Digital Coding Of Waveforms, Principles and Applications
to Speech and Video, New Jersey: Prentice Hall, 1984, 2nd ed., ch. 4, pp. 115-220.
[5] A. Gersho and R. M. Gray, Vector Quantization and Signal Compression, Boston,
Dordrecht, London: Kluwer Academic Publishers, 1992, ch. 9, pp. 271-276.
[8] Z. Peri, J. Nikoli, D. Pokrajac, Hybrid Scalar Quantizer for the Laplacian Source,
WSEAS Transactions on Communications., Vol. 6, No. 1, January 2007, pp. 60-65.
[9] Z. Peri, J. Nikoli, D. Pokrajac, Optimal designing scalar quantizers using a hybrid
quantization method for the Laplacian source, Proceedings of the 4th WSEAS
International Conference on Electromagnetics, Wireless and Optical
Communications., 20-22 November 2006, pp. 156-162.
[10] Z. Peri, J. Nikoli, D. Pokrajac, Designig of scalar quantizer based on the hybrid
model for the Laplacian source, Proceedings of the International Scientific Conference
on Information, Communication, and Energy Systems and Technologies ICEST 2006,
Vol. 2, June29- July 1, 2006, pp. 197-199.
21